为了给用户带来更高效的体验，我们在本次更新中对 Workflow 进行了重构，引入了并行处理能力。现在，Workflow 可以同时运行多个不同分支，实现多项任务的并行处理。这种新的处理方式显著提升了整体运行效率，使得 LLM 应用能够更快速、更灵活地应对各种复杂的任务场景。

创建不同类型的并行分支

在 Workflow 中，你可以通过以下方式创建并行分支：将鼠标悬停在节点上，当 + 号出现时，点击它来添加不同类型的节点。这些新创建的分支能够在 Workflow 内并行运行，最终合并输出结果。详细操作指引，请查看帮助文档。

? 帮助文档：

https://docs.dify.ai/v/zh-hans/guides/workflow/orchestrate-node

我们为你提供了几种可以在 Workflow 中运行的并行场景。你可以尝试通过编排这些并行分支来提高整体运行效率。对于那些在之前版本中已经创建了 Workflow 的用户，我们也建议参考以下几种使用场景，将原本串行的 Workflow 重新改编成并行结构，从而提升运行速度。

简单并行

首先，在最简单的情况下，在一个固定的节点如开始节点，分别拉出几个平行的分支，用于同时处理相似的子任务，如翻译，模型能力对比等，下图是在模型对比场景下的简单并行情况：

嵌套并行

1. 第一层嵌套（1号框）：从问题分类器开始，分出两类主要分支：处理概念解释（1号框）和处理无关话题（"Refuse small talk"分支）。在处理概念解释分支（1号框）中，进一步包含了：
   a. 提供隐喻和类比的分支，增强概念理解
   b. 提取主题｜第二层嵌套（2号框），用于更详细的概念分析和内容生成
2. 第二层嵌套（2号框）：在提取主题的分支中，同时进行两个并行任务：
a. 提取主题并进行搜索（Extract the theme -> Serper），获得相关概念的背景信息
b. 提取主题并生成学习计划（Study Plan -> Parameter Extractor -> TavilySearch）

这种结构中，第一层（1号框）的分支内部划分出多个子任务，这些子任务同时执行，其中提取主题的分支又形成了第二层（2号框）的并行结构。这种多层嵌套的并行结构特别适用于处理复杂的、多阶段的任务，如深度概念解析和科普内容生成。它能够同时处理概念的多个方面，包括基本解释、类比理解、背景研究和学习规划，从而显著提高处理效率和输出质量。

迭代中并行

1. 初始化：系统搜索并提取与特定股票相关的多个新闻 URL。

2. 迭代处理：对每个 URL 进行迭代，在每次迭代中并行执行以下任务：
a. 内容获取：使用 JinaReader 工具抓取和解析网页内容。
b. 观点提取：通过参数提取器从文章中识别并提取乐观与悲观观点。
c. 观点总结：同时使用两个独立的 LLM 模型，分别总结乐观和悲观观点（并行）。
3. 结果整合：将每篇文章的分析结果组合成结构化的表格。

这种方法能高效处理大量新闻文章，同时从多角度分析每篇文章的情感倾向，有助于投资者优化投资组合，做出更明智的决策。迭代中的并行处理方法在面对大量结构相似的数据（如多篇新闻文章）时，在循环结构内加速特定步骤（如提取乐观和悲观观点），从而更快完成任务，节省时间。

条件并行

1. 主要条件分支（IF/ELSE节点）：根据对话计数（dialogue_count）将流程分为两个主要分支：

   a. 首次对话：确认面试角色和公司；
   b. 后续对话：进入更深层的处理。
2. 次要条件分支（IF/ELSE 2节点）：在后续对话分支中，根据是否已有公司信息和面试问题，又分为多个并行任务：

   a. 如果缺少公司信息：并行执行搜索公司、抓取网页内容、总结公司信息等任务；

   b. 如果缺少面试问题：并行生成多个面试问题。
3. 并行任务执行：在生成面试问题的分支中，同时启动多个 LLM 节点，每个节点负责生成一个不同的面试问题。

通过 IF/ELSE 节点的这种结构，Workflow 能够根据当前状态和需求灵活地选择和执行不同的并行任务（注：问题分类器节点也能发挥类似作用）。这不仅提高了处理效率，还保证了流程的逻辑性和完整性。它特别适用于需要根据不同条件，同时执行不同复杂任务的场景，如此处的面试准备过程。

从 Workflow 并行中获益